view in publisher's site

Local climate zone mapping as remote sensing scene classification using deep learning: A case study of metropolitan China

Highlights•LCZ mapping is considered as remote sensing scene classification instead of pixel-based classification to fully exploit the urban environment context.•A convolutional neural network integrating residual learning and the Squeeze-and-Excitation block is proposed for LCZ mapping.•Image sizes of 32×32 to 64×64 corresponding to 320×320 to 640×640 m2 areas are found suitable for LCZ mapping depending on the region.•LCZ maps are generated for fifteen cities in China.AbstractChina, with the world’s largest population, has gone through rapid development in the last forty years and now has over 800 million urban citizens. Although urbanization leads to great social and economic progress, they may be confronted with other issues, including extra heat and air pollution. Local climate zone (LCZ), a new concept developed for urban heat island research, provides a standard classification system for the urban environment. LCZs are defined by the context of the urban environment; the minimum diameter of an LCZ is expected to be 400–1,000 m so that it can have a valid effect on the urban climate. However, most existing methods (e.g., the WUDAPT method) regard this task as pixel-based classification, neglecting the spatial information. In this study, we argue that LCZ mapping should be considered as a scene classification task to fully exploit the environmental context. Fifteen cities covering 138 million population in three economic regions of China are selected as the study area. Sentinel-2 multispectral data with a 10 m spatial resolution are used to classify LCZs. A deep convolutional neural network composed of residual learning and the Squeeze-and-Excitation block, namely the LCZNet, is proposed. We obtained an overall accuracy of 88.61% by using a large image (48×48 corresponding to 480×480 m2) as the representation of an LCZ, 7.5% higher than that using a small image representation (10×10) and nearly 20% higher than that obtained by the standard WUDAPT method. Image sizes from 32×32 to 64×64 were found suitable for LCZ mapping, while a deeper network achieved better classification with larger inputs. Compared with natural classes, urban classes benefited more from a large input size, as it can exploit the environment context of urban areas. The combined use of the training data from all three regions led to the best classification, but the transfer of LCZ models cannot achieve satisfactory results due to the domain shift. More advanced domain adaptation methods should be applied in this application.

تهیه نقشه منطقه اقلیمی محلی به عنوان طبقه‌بندی صحنه سنجش از دور با استفاده از یادگیری عمیق: مطالعه موردی کلان‌شهر چین

نکات برجسته * نگاشت LCZ به عنوان طبقه‌بندی صحنه سنجش از دور به جای طبقه‌بندی مبتنی بر پیکسل برای بهره‌برداری کامل از محیط شهری در نظر گرفته می‌شود. * یک شبکه عصبی کانولوشن که یادگیری باقی مانده را ادغام می‌کند و بلوک اسکوئیز و اکسترا برای نگاشت LCZ پیشنهاد شده‌است. * اندازه‌های تصویر ۳۲ * ۳۲ تا ۶۴ * ۶۴ متناظر با ۳۲۰ * ۳۲۰ تا ۶۴۰ * ۶۴۰ متر مربع بسته به منطقه برای نقشه‌برداری LCZ مناسب هستند. * نقشه‌های LCZ برای ۱۵ شهر در چین ایجاد شده‌اند. چین، با بزرگ‌ترین جمعیت جهان، در طول چهل سال گذشته پیشرفت سریعی داشته‌است و اکنون بیش از ۸۰۰ میلیون شهروند شهری دارد. اگرچه شهرنشینی منجر به پیشرفت بزرگ اجتماعی و اقتصادی می‌شود، اما ممکن است با مسائل دیگری از جمله گرمای اضافی و آلودگی هوا مواجه شوند. منطقه آب و هوای محلی (LCZ)، یک مفهوم جدید توسعه‌یافته برای تحقیقات جزیره حرارتی شهری، یک سیستم طبقه‌بندی استاندارد برای محیط شهری فراهم می‌کند. LCZs توسط محیط شهری تعریف می‌شود؛ انتظار می‌رود حداقل قطر یک LCZ ۴۰۰ - ۱۰۰۰ متر باشد تا بتواند تاثیر معتبری بر آب و هوای شهری داشته باشد. با این حال، اکثر روش‌های موجود (به عنوان مثال، روش WUDAPT)این کار را به عنوان طبقه‌بندی مبتنی بر پیکسل در نظر می‌گیرند، و از اطلاعات فضایی چشم‌پوشی می‌کنند. در این مطالعه، ما استدلال می‌کنیم که نگاشت LCZ باید به عنوان یک وظیفه طبقه‌بندی صحنه برای بهره‌برداری کامل از زمینه محیطی در نظر گرفته شود. پانزده شهر با جمعیتی بالغ بر ۱۳۸ میلیون نفر در سه منطقه اقتصادی چین به عنوان منطقه مورد مطالعه انتخاب شده‌اند. داده‌های چند طیفی Sentinel - ۲ با وضوح فضایی ۱۰ متر برای طبقه‌بندی LCZs استفاده می‌شوند. یک شبکه عصبی کانولوشن عمیق متشکل از یادگیری باقی مانده و بلوک اسکوئیز و اکسترا، به نام LCZNet، پیشنهاد شده‌است. ما دقت کلی ۸۸.۶۱ % را با استفاده از یک تصویر بزرگ (۴۸ * ۴۸ مربوط به ۴۸۰ * ۴۸۰ متر مربع)به عنوان نمایش یک LCZ، ۷.۵ % بالاتر از آن با استفاده از نمایش تصویر کوچک (۱۰ * ۱۰)و تقریبا ۲۰ % بالاتر از آن چیزی که توسط روش WUDAPT استاندارد به دست آمد، به دست آوردیم. اندازه‌های تصویر از ۳۲ * ۳۲ تا ۶۴ * ۶۴ برای نقشه‌برداری LCZ مناسب تشخیص داده شدند، در حالی که یک شبکه عمیق‌تر به طبقه‌بندی بهتر با ورودی‌های بزرگ‌تر دست یافت. در مقایسه با کلاس‌های طبیعی، کلاس‌های شهری بیشتر از اندازه ورودی بزرگ بهره می‌برند، زیرا می‌توانند از محیط نواحی شهری بهره ببرند. استفاده ترکیبی از داده‌های آموزشی از هر سه منطقه منجر به بهترین طبقه‌بندی شد، اما انتقال مدل‌های LCZ به دلیل تغییر دامنه نمی‌تواند به نتایج رضایت‌بخشی دست یابد. روش‌های پیشرفته‌تر تطبیق دامنه باید در این کاربرد به کار گرفته شوند.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Engineering (miscellaneous)
  • ترجمه مقاله Engineering (miscellaneous)
  • مقاله مهندسی (متفرقه)
  • ترجمه مقاله مهندسی (متفرقه)
  • مقاله Computer Science Applications
  • ترجمه مقاله Computer Science Applications
  • مقاله کاربردهای علوم کامپیوتر
  • ترجمه مقاله کاربردهای علوم کامپیوتر
  • مقاله Atomic and Molecular Physics, and Optics
  • ترجمه مقاله Atomic and Molecular Physics, and Optics
  • مقاله فیزیک اتمی، مولکولی و اپتیک
  • ترجمه مقاله فیزیک اتمی، مولکولی و اپتیک
  • مقاله Computers in Earth Sciences
  • ترجمه مقاله Computers in Earth Sciences
  • مقاله کامپیوتر در علوم زمین
  • ترجمه مقاله کامپیوتر در علوم زمین
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.